基于树形决策卷积神经网络的滚动轴承故障分层诊断

摘要

针对传统滚动轴承故障诊断中故障层次信息利用不充分、诊断精度不足的问题,提出一种带有树形决策层的卷积神经网络(convolutional neural network,CNN)方法以实现故障位置与严重程度的逐层诊断。该模型同时具备CNN的特征提取能力和决策树的层次结构及分层决策特性。首先,采用共享网络层和2个任务特定的分支全连接层分别提取与故障位置和故障严重程度有关的特征。然后,将2个全连接层的分类结果输入到树形决策层,并使用加权层次分类损失调整模型权重参数,从而实现算法模型对故障层次信息的自学习。最后,应用帕德博恩大学轴承数据集进行算法性能测试。实验结果表明,该模型的平均分类准确率可达99.15%,与领域内其他的诊断模型相比,实现了更准确的故障位置和严重性分类。

关键词

故障诊断 / 分层诊断 / 滚动轴承 / 卷积神经网络(convolutional neural network,CNN) / 决策树 / 集成模型